[發明專利]基于深度學習的SAR圖像艦船目標檢測識別一體化方法

在審

• 申請號: 202010118621.5
• 申請日: 2020-02-26
• 公開（公告）號: CN111368671A
• 公開（公告）日: 2020-07-03
• 發明（設計）人: 曹宗杰;候澤生;崔宗勇;楊建宇
• 申請（專利權）人: 電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06N3/04
• 代理公司: 成都點睛專利代理事務所(普通合伙) 51232
• 代理人: 孫一峰

本發明屬于雷達遙感應用技術領域，具體涉及一種基于深度學習的SAR圖像艦船目標檢測識別一體化方法。SAR圖像艦船目標解譯的重要部分就是檢測和識別，但是目前所有的檢測和識別是獨立的，檢測識別一體化方法是今后SAR圖像解譯的重要研究方向。目標檢測和識別已有的傳統方法和深度學習方法均不能實現SAR圖像艦船目標的檢測識別一體化。本發明提出了一種SAR圖像艦船目標檢測識別一體化方法。我們通過已有的深度學習網絡框架，提出了一個用于SAR圖像艦船目標檢測識別一體化的網絡。主要是利用網絡末端的檢測和分類子網絡同時進行艦船目標的檢測和分類任務，從而實現檢測識別一體化的目標。相比傳統的ATR技術，本發明的檢測識別過程更加簡潔高效。

技術領域

本發明屬于雷達遙感應用技術領域，具體涉及一種基于深度學習的SAR圖像艦船目標檢測識別一體化方法。

背景技術

合成孔徑雷達(Synthetic Aperture Radar，以下簡稱SAR)是一種利用微波成像的有源傳感器，與光學和紅外傳感器相比，SAR可以全天時全天候工作，并且具有一定的穿透能力。因此，SAR技術已廣泛應用于民用和軍事領域。隨著SAR成像技術的發展，SAR圖像目標檢測識別領域面臨著許多機遇和挑戰。SAR圖像中艦船目標檢測識別是現代海事智能監控系統的重要組成部分，所以說SAR圖像中艦船目標解譯是目前的研究熱點。

傳統的SAR圖像自動目標識別(Automatic Target Recognition,以下簡稱ATR)系統即檢測識別一體化系統處理流程分為預處理、檢測和識別三個步驟。1)預處理：SAR圖像預處理主要包括：圖像增強、圖像濾波、方位矯正等操作。由于SAR圖像特殊的成像方式，使得SAR圖像中存在大量的斑點噪聲。為了盡可能消除這些斑點噪聲對檢測和識別的負面影響，加入預處理這一操作是非常必要的。預處理不僅能夠消除絕大多數斑點噪聲，并且能夠保持圖像的結構信息，同時也增強SAR圖像的可讀性，方便后續的SAR圖像目標檢測與識別。因此，在傳統的SAR ATR系統中，第一個關鍵環節即是SAR圖像預處理。2)檢測是SAR圖像ATR技術的中間階段，一般來說是考慮目標與背景的特征差異對目標區域的一個定位過程，SAR圖像中常用的檢測方法是恒虛警檢測技術(CFAR)。然而，CFAR方法在抑制雜波和控制近海岸、島嶼等地域虛警方面存在局限性。近年來，也有一些改進的CFAR方法被提出，但是依然不能很好的解決抑制雜波和控制虛警等問題。3)識別部分包括特征提取和分類兩個步驟。常用的特征提取方法有主成分分析(PCA)、小波變換(WT)和獨立成分分析(ICA)等。分類方法有支持向量機(SVM)、決策樹算法和最近鄰分類器等分類模型以及模板匹配方法。傳統的SAR圖像目標自動識別方法嚴重依賴人為設計的特征以及糟糕的泛化性能。任何一個階段出現的微小問題都會對系統的識別精度產生很大的影響。另外，隨著SAR成像技術的發展，傳統的ATR方法在檢測和識別階段都表現出一定的局限性。

深度網絡的出現打破了傳統SAR圖像中目標自動識別的處理流程，能夠通過改變網絡的設計結構完成檢測和分類不同的任務。光學圖像中基于深度網絡的ATR技術發展迅速，已廣泛應用于各個行業。而在相同的條件下，由于SAR圖像中的艦船目標比光學圖像中的目標具有更少的特征，如目標尺寸較小，開源數據的分辨率較低等問題，使得SAR圖像的艦船ATR比較困難。基于深度網絡的船舶檢測不僅不需要陸海分選，而且具有較高的檢測正確率。基于深度網絡的艦船切片的正確分類率正在不斷提高。然而，基于切片的分類方法在實際場景中的應用并不理想。目前基于SAR圖像的艦船目標自動識別方法可以進行船舶目標檢測和粗分類一體化，粗分類指根據船舶的大小將船舶分為大型船舶和小型船舶，顯然粗分類并不能夠達到實用化的要求。所以說基于深度學習的SAR圖像艦船目標還不能實現真正意義上的自動識別。

SAR圖像艦船目標解譯的重要部分就是檢測和識別，但是目前所有的檢測和識別是獨立的。檢測識別一體化方法是今后SAR圖像解譯的重要研究方向，目標檢測和識別已有的傳統方法和深度學習方法均不能實現SAR圖像艦船目標的檢測識別一體化。

發明內容